[go: up one dir, main page]

CN113807136A - 一种土壤翻耕状态的检测方法、装置、设备及存储介质 - Google Patents

一种土壤翻耕状态的检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113807136A
CN113807136A CN202010538117.0A CN202010538117A CN113807136A CN 113807136 A CN113807136 A CN 113807136A CN 202010538117 A CN202010538117 A CN 202010538117A CN 113807136 A CN113807136 A CN 113807136A
Authority
CN
China
Prior art keywords
soil
picture
neural network
network model
block
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010538117.0A
Other languages
English (en)
Inventor
黄盛�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Xaircraft Technology Co Ltd
Original Assignee
Guangzhou Xaircraft Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Xaircraft Technology Co Ltd filed Critical Guangzhou Xaircraft Technology Co Ltd
Priority to CN202010538117.0A priority Critical patent/CN113807136A/zh
Publication of CN113807136A publication Critical patent/CN113807136A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Agronomy & Crop Science (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Animal Husbandry (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种土壤翻耕状态的检测方法、装置、设备及存储介质，该方法包括：获取目标土壤区域内的至少一张土壤图片；识别土壤图片中包括的至少一个土块，以及各土块的土块尺寸；根据土壤图片中至少一个尺寸等级的土块数量，确定与目标土壤区域对应的土壤翻耕状态。本发明实施例的技术方案解决了现有技术中土壤翻耕状态的检测方法自动化程度低的问题，能够快速地显示或告知用户土壤的翻耕状态，提高了翻耕状态检测的准确率。

Description

一种土壤翻耕状态的检测方法、装置、设备及存储介质
技术领域
本发明实施例涉及图像识别与处理技术，尤其涉及一种土壤翻耕状态的检测方法、装置、设备及存储介质。
背景技术
翻耕是农业生产中一种重要的耕作方法，主要是指将土壤铲起、碾碎并翻转。翻耕有利于疏松土壤、存储雨水以及促进农作物的养分转化和根系伸展；另一方面，翻耕可以有效地将土壤表面的杂草、病菌、以及害虫等埋入深层土壤，提高农田的播种质量，抑制病、虫、杂草生长繁育。因此，结合目前自动化农业的发展趋势，自动高效地对土壤翻耕情况进行检测就显得尤为重要。
现有的翻耕状态的检测方法主要是由工作人员裸眼视察，自动化程度不高，不能快速显示或告知翻耕的情况，检测的准确率较低。
发明内容
本发明实施例提供一种土壤翻耕状态的检测方法、装置、设备及存储介质，能够快速地显示或告知用户土壤的翻耕状态，提高了翻耕状态检测的准确率。
第一方面，本发明实施例提供了一种土壤翻耕状态的检测方法，所述方法包括：
获取目标土壤区域内的至少一张土壤图片；
识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸；
根据所述土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态。
可选的，识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸，包括：
将所述土壤图片输入至预先训练的土块识别模型中，并获取所述土块识别模型中输出的所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸。
可选的，在获取目标土壤区域内的至少一张土壤图片之前，还包括：
获取翻耕后的多张土壤样本图片，其中，所述土壤样本图片中预先标注有至少一个土块的位置标注坐标以及土块尺寸等级；
将所述多张土壤样本图片划分为训练数据集和测试数据集；
使用所述训练数据集和测试数据集对神经网络模型进行迭代训练，得到所述土块识别模型。
可选的，在使用所述训练数据集和测试数据集对神经网络模型进行迭代训练之前，还包括：
加载COCO数据集中与土壤图片匹配的预权重，对所述神经网络模型进行预设置。
可选的，使用所述训练数据集和测试数据集对神经网络模型进行迭代训练，得到所述土块识别模型，包括：
将所述训练数据集划分为多个训练数据分组，并依次获取一个所述训练数据分组；
将所述训练数据分组中的各土壤样本图片分别输入至所述神经网络模型中，对所述神经网络模型进行训练；
其中，所述神经网络模型根据模型输出结果中的土块识别位置坐标，与输入的土壤样本图片中的位置标注坐标之间的距离损失函数，利用随机梯度下降法调整所述神经网络模型的参数；
将所述测试数据集中的各土壤样本图片分别输入至训练后的所述神经网络模型，并计算识别准确率；
如果所述计算识别准确率不满足预设的准确率要求，则返回执行依次获取一个所述训练数据分组的操作，直至训练后的神经网络模型满足准确率要求。
可选的，所述神经网络模型为基于MobileNet模型以及YOLOV3算法构建的卷积神经网络模型。
可选的，根据所述土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态，包括：
判断所述土壤图片中预设尺寸等级的土块数量是否大于预设阈值；
如果是，则确定与所述目标土壤区域对应的土壤翻耕状态不合格；
如果否，则确定与所述目标土壤区域对应的土壤翻耕状态合格。
可选的，所述土壤翻耕状态的检测方法由移动视觉设备执行，且所述移动视觉设备中预先部署所述土块识别模型；
获取目标土壤区域内的至少一张土壤图片，包括：
获取所述移动视觉设备采集的目标土壤区域内的土壤视频，并获取所述土壤视频的至少一个视频帧，作为所述土壤图片。
第二方面，本发明实施例还提供了一种土壤翻耕状态的检测装置，该装置包括：
土壤图片获取模块，用于获取目标土壤区域内的至少一张土壤图片；
土块识别模块，用于识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸；
土壤翻耕状态确定模块，用于根据所述土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态。
第三方面，本发明实施例还提供了一种计算设备，该计算设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例提供的一种土壤翻耕状态的检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，该存储介质上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例提供的一种土壤翻耕状态的检测方法。
本发明实施例的技术方案通过获取目标土壤区域内的至少一张土壤图片，识别到土壤图片中包括的土块以及各土块的土块尺寸，然后根据土壤图片中至少一个尺寸等级的土块数量，确定与目标土壤区域对应的土壤翻耕状态。本发明实施例的技术方案解决了现有技术中土壤翻耕状态的检测方法自动化程度低的问题，能够快速地显示或告知用户土壤的翻耕状态，提高了翻耕状态检测的准确率。
附图说明
图1是本发明实施例一中的一种土壤翻耕状态的检测方法的流程图；
图2是本发明实施例二中的一种土壤翻耕状态的检测方法的流程图；
图3是本发明实施例三中的一种土壤翻耕状态的检测装置的结构图；
图4是本发明实施例四中的一种计算设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种土壤翻耕状态的检测方法的流程图，本实施例可适用于根据农田图像检测土壤翻耕状态的情况，该方法可以由土壤翻耕状态的检测装置来执行，该装置可以由软件和/或硬件来实现，并一般可以集成在移动视觉设备中，例如，摄像机或者移动终端等，所述方法具体包括如下步骤：
步骤110、获取目标土壤区域内的至少一张土壤图片。
在此步骤中，目标土壤区域为用户关注的农田土壤区域，具体的，该目标土壤区域为已经完成翻耕作业，并等待检测土壤翻耕状态的区域。基于目标土壤区域所采集的图片，即为土壤图片。
可选的，本实施例可以首先获取到目标土壤区域内的土壤视频，然后获取土壤视频的至少一个视频帧，作为土壤图片；或者，本实施例可以在目标土壤区域内，针对所翻耕的土地拍摄多张图片，作为所述土壤图片。
具体的，所述土壤视频可以从第三方平台获取，也可以通过移动视觉设备直接拍摄获取，所述土壤视频中包括针对所翻耕的土地所拍摄的视频。
步骤120、识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸。
在本实施例中，可以预先设定与土块的多个土块尺寸匹配的多张土块图像，同一土块尺寸可以对应一张或者多张土块图像，之后，将所述多张土块图像分别与所述土壤图片进行匹配，并根据匹配结果，识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸。
例如，如果与土块尺寸A对应的土块图像A与该土壤图片中区域A范围内的局部图像相匹配，则确定在区域A内识别到土块尺寸A的一个土块。
在本实施例中，还可以将所述土壤图片输入至预先训练的土块识别模型中，并获取所述土块识别模型中输出的所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸。
在本实施例中，土块识别模型用于对所述土壤图片进行深度解析，产生反应土壤图片多维度特征的特征图，根据所述特征图识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸，并将识别结果进行输出。
其中，所述土块尺寸可以为：大、中、小或者细小等级别值，还可以为0.8cm(直径)、0.7cm、1.5cm等具体数值，本实施例对此并不进行限制。
其中，如果本发明实施例的方法由移动视觉设备执行，则所述移动视觉设备中需要预先部署所述土块识别模型，以便于对获取到的土壤图片进行识别。可选的，所述土块识别模型的建立方法包括以下步骤：
S101、获取翻耕后的多张土壤样本图片，其中，所述土壤样本图片中预先标注有至少一个土块的位置标注坐标以及土块尺寸等级；
在此步骤中，翻耕后的土壤样本图片可以从第三方平台获取，也可以通过拍摄设备获取，所述翻耕后的土壤样本图片可以为任意农田土壤区域内的土壤图片。
其中，所述土壤样本图片中预先标注有各土块的位置标注坐标(典型的，土块的最小外接矩形的四个顶点的坐标)以及土块尺寸等级(例如，大土块、中土块、小土块或者细小土块等)。
具体的，本实施例根据土壤样本图片中的土块尺寸，将土壤样本图片中的土块进行分类，根据土块分类结果，对土壤样本图片中的土块尺寸等级进行标注。
S102、将所述多张土壤样本图片划分为训练数据集和测试数据集；
在此步骤中，本实施例将多张土壤样本图片中的第一数量的土壤样本图片作为训练数据集，将第二数量的土壤样本图片作为测试数据集。典型的，第一数量大于第二数量。
其中，所述训练数据集用于输入至预先构建的神经网络模型，并根据输出结果调整神经网络模型的参数，从而完成对神经网络模型的训练；
所述测试数据集用于测试训练后的神经网络模型的识别准确率，根据所述识别准确率确定所述训练后的神经网络模型是否可以作为土块识别模型。
S103、使用所述训练数据集和测试数据集对神经网络模型进行迭代训练，得到所述土块识别模型。
典型的，所述神经网络模型可以基于MobileNet模型、VGG(Visual GeometryGroup Network，视觉几何组网络)模型或者Resnet模型等构建，并可以使用YOLOV3算法、mtcnn(Multi-task convolutional neural network，多任务卷积神经网络)算法或者SSD(Single Shot MultiBox Detector，单发多盒探测器)算法等进行目标(土块)检测，本实施例对此并不进行限制。
其中，所述神经网络模型包括数据输入层、隐含层以及输出层，具体用于实现输出层的输出结果与输入层数据的最大拟合，所述隐含层用于更新输入层与输出层之间的权重以及参数，从而保证输出结果的准确性；
所述YOLOV3算法、mtcnn算法以及SSD算法等用于提取所述神经网络模型输入数据的深层特征，根据提取到的特征与需要识别的目标特征进行对比，从而识别所述输入数据中的所有目标。
发明人通过多次试验发现，使用基于MobileNet模型以及YOLOV3算法构建的卷积神经网络模型作为所述神经网络模型时，识别效果最优，相应的，在此步骤中，所述神经网络模型为基于MobileNet模型以及YOLOV3算法构建的卷积神经网络模型。
由于S101中获取的土壤样本图片数量有限，而本实施例中使用的神经网络模型需要使用大量的模型参数，仅通过有限的土壤样本图片，无法准确训练得到上述模型参数的权重值，在本实施例中，可以加载COCO数据集中与土壤图片匹配的预权重，对所述神经网络模型进行预设置，以达到用最少的土壤样本图片取得最优的模型训练效果。
其中，所述COCO数据集是一个包括丰富的数据样本图片和经神经网络模型训练后得到的训练结果的数据集，所述COCO数据集中记录了各类数据样本下训练结果最好时对应的神经网络模型的权重值。
在对神经网络模型进行预设置之后，本实施例使用所述训练数据集和测试数据集对神经网络模型进行迭代训练，以得到所述土块识别模型。
在一个具体的实施例中，可以将训练数据集分为多组，首先取一组训练数据集输入至神经网络模型，神经网络模型根据YOLOV3算法识别到训练数据集中的各土块的土块参数，比如土块的尺寸以及位置坐标，将神经网络模型的识别结果与训练数据集中真实标注的土块参数进行对比，通过调整神经网络模型的参数，降低神经网络模型的识别结果与真实标注的土块参数的差异，然后利用参数调整后的神经网络模型对测试数据集进行识别，判断识别结果与测试数据集中真实标注的土块参数的差异是否满足预设要求，如果是，则完成对所述神经网络模型的训练，并将此神经网络模型作为土块识别模型；如果否，则取新的一组训练数据集重新输入至该神经网络模型，并继续执行训练数据集对神经网络模型的训练过程，直至训练得到的神经网络模型针对所述测试数据集的输出满足该预设要求。
在土块识别模型建立之后，本实施例利用所述土块识别模型识别到土壤图片中包括的全部土块，以及各土块的土块尺寸。
步骤130、根据所述土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态。
在本实施例中，由于土壤翻耕是一种将土壤铲起、碾碎并翻转的耕作方法，当翻耕后的土块过大，则表明土壤翻耕状态不合格。本实施例提出了一种根据土壤图片中土块尺寸和数量，确定与土壤翻耕状态的方法，具体的，在步骤120中识别到土壤图片中包括的全部土块，以及各土块的土块尺寸，本实施例根据土壤图片中的土块尺寸，将土壤图片中的各土块进行分类，根据土块分类结果，确定土壤图片中的各土块的尺寸等级，然后判断土壤图片中至少一个预设尺寸等级的土块数量是否大于预设阈值；如果是，则确定与所述目标土壤区域对应的土壤翻耕状态不合格；如果否，则确定与所述目标土壤区域对应的土壤翻耕状态合格。
具体的，如果在土壤图片中识别出的土块的土块尺寸直接为尺寸等级，则可以统计预设尺寸等级(例如，仅大土块或者大土块和中土块)的土块数量，如果在土壤图片中识别出的土块的土块尺寸为具体数值(例如，土块直径)，则可以首先根据不同尺寸等级对应的数值范围，例如，大土块数值范围为(1cm，2cm)，中土块数据范围为(0.8cm，1cm)等，确定各个土块尺寸等级形式的土块尺寸，之后再统计预设尺寸等级(例如，仅大土块或者大土块和中土块)的土块数量。
本发明实施例的技术方案通过获取目标土壤区域内的土壤图片，识别到土壤图片中包括的全部土块，以及各土块尺寸，然后根据至少一个尺寸等级的土块数量，确定与目标土壤区域对应的土壤翻耕状态。本发明实施例的技术方案解决了现有技术中土壤翻耕状态的检测方法自动化程度低的问题，能够快速地显示或告知用户土壤的翻耕状态，提高了翻耕状态检测的准确率。
实施例二
本实施例在上述实施例一的基础上，提供了具体的使用训练数据集和测试数据集对神经网络模型进行迭代训练，得到土块识别模型的实施方式。与上述实施例相同或相应的术语解释，本实施例不再赘述。图2为本发明实施例二提供的一种土壤翻耕状态的检测方法的流程图，如图2所示，该方法包括如下步骤：
步骤210、获取目标土壤区域内的至少一张土壤图片。
步骤220、将所述土壤图片输入至预先训练的土块识别模型中，并获取所述土块识别模型中输出的所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸。
在此步骤中，土块识别模型根据YOLOV3算法对所述土壤图片进行土块检测，识别到土壤图片中包括的至少一个土块，以及各土块的土块尺寸，并将识别结果进行输出。具体的，所述土块识别模型的建立方法包括以下步骤：
S201、获取翻耕后的多张土壤样本图片，其中，所述土壤样本图片中预先标注有至少一个土块的位置标注坐标以及土块尺寸等级；
S202、将所述多张土壤样本图片划分为训练数据集和测试数据集；
S203、将所述训练数据集划分为多个训练数据分组；
S204、依次获取一个所述训练数据分组；
S205、将所述训练数据分组中的各土壤样本图片分别输入至所述神经网络模型中，对所述神经网络模型进行训练；
在此步骤中，本实施例将训练数据分组中的各土壤样本图片分别输入至所述神经网络模型，神经网络模型根据YOLOV3算法识别到训练数据集中的各土块的土块参数，比如土块的尺寸以及位置坐标，并将各土块的土块参数作为模型输出结果进行输出。
神经网络模型获取到模型输出结果中的土块识别位置坐标后，计算输出结果中的土块识别位置坐标，与输入的土壤样本图片中的位置标注坐标之间的距离损失函数，然后利用随机梯度下降法调整所述神经网络模型的参数，以使所述距离损失函数满足预设需求。其中，输入的土壤样本图片中的位置标注坐标为预先标注的真实的土块位置标注坐标。
S206、将所述测试数据集中的各土壤样本图片分别输入至训练后的所述神经网络模型，并计算识别准确率。
S207、判断所述计算识别准确率是否满足预设的准确率要求：若是，则确定完成对所述神经网络模型的训练；否则，返回执行S204。
在一个具体的实施例中，当一个训练数据分组对神经网络模型进行训练之后，本实施例可以将测试数据集中的各土壤样本图片分别输入至训练后的所述神经网络模型，计算输出结果中的土块识别位置坐标，与输入的各土壤样本图片中的位置标注坐标之间的距离损失函数，计算距离损失函数满足预设需求的土壤样本图片数量与所述测试数据集中的全部土壤样本图片数量的比值，并将该比值作为与所述测试数据集对应的识别准确率。如果所述识别准确率满足预设的准确率要求，则将上述训练后的神经网络模型作为土块识别模型；如果所述识别准确率不满足预设的准确率要求，则返回执行依次获取一个所述训练数据分组的操作，直至训练后的神经网络模型满足准确率要求。
在土块识别模型建立之后，本实施例利用所述土块识别模型识别到土壤图片中包括的全部土块，以及各土块的土块尺寸。
步骤230、根据所述土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态。
本发明实施例的技术方案通过获取目标土壤区域内的土壤图片，将土壤图片输入至预先训练的土块识别模型中，利用土块识别模型中识别土壤图片中包括的全部土块，以及各土块的土块尺寸，根据土壤图片中的土块尺寸与数量，确定与目标土壤区域对应的土壤翻耕状态。本发明实施例解决了现有技术中土壤翻耕状态的检测方法自动化程度低的问题，能够快速地显示或告知用户土壤的翻耕状态，提高了翻耕状态检测的准确率。
实施例三
图3为本发明实施例三提供的一种土壤翻耕状态的检测装置的结构图，该装置包括：土壤图片获取模块310、土块识别模块320和土壤翻耕状态确定模块330。
其中，土壤图片获取模块310，用于获取目标土壤区域内的至少一张土壤图片；土块识别模块320，用于识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸；土壤翻耕状态确定模块330，用于根据土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态。
本发明实施例的技术方案通过获取目标土壤区域内的土壤图片，识别到土壤图片中包括的全部土块，以及各土块尺寸，然后根据至少一个尺寸等级的土块数量，确定与目标土壤区域对应的土壤翻耕状态。本发明实施例的技术方案解决了现有技术中土壤翻耕状态的检测方法自动化程度低的问题，能够快速地显示或告知用户土壤的翻耕状态，提高了翻耕状态检测的准确率。
在上述各实施例的基础上，土块识别模块320，可以包括：
土壤图片输入单元，用于将所述土壤图片输入至预先训练的土块识别模型中，并获取所述土块识别模型中输出的所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸。
土壤图片获取模块310，可以包括：
土壤样本图片获取单元，用于获取翻耕后的多张土壤样本图片，其中，所述土壤样本图片中预先标注有至少一个土块的位置标注坐标以及土块尺寸等级；
土壤样本图片划分单元，用于将所述多张土壤样本图片划分为训练数据集和测试数据集；
神经网络模型训练单元，用于使用所述训练数据集和测试数据集对神经网络模型进行迭代训练，得到所述土块识别模型；
神经网络模型预设置单元，用于加载COCO数据集中与土壤图片匹配的预权重，对所述神经网络模型进行预设置；
训练数据集划分单元，用于将所述训练数据集划分为多个训练数据分组，并依次获取一个所述训练数据分组；
训练数据分组输入单元，用于将所述训练数据分组中的各土壤样本图片分别输入至所述神经网络模型中，对所述神经网络模型进行训练；
其中，所述神经网络模型根据模型输出结果中的土块识别位置坐标，与输入的土壤样本图片中的位置标注坐标之间的距离损失函数，利用随机梯度下降法调整所述神经网络模型的参数；
识别准确率计算单元，用于将所述测试数据集中的各土壤样本图片分别输入至训练后的所述神经网络模型，并计算识别准确率，如果所述计算识别准确率不满足预设的准确率要求，则返回执行依次获取一个所述训练数据分组的操作，直至训练后的神经网络模型满足准确率要求；
神经网络模型构建单元，用于基于MobileNet模型以及YOLOV3算法构建卷积神经网络模型；
土壤视频获取单元，用于获取移动视觉设备采集的目标土壤区域内的土壤视频，并获取土壤视频的至少一个视频帧，作为土壤图片。
土壤翻耕状态确定模块330，可以包括：
判断单元，用于判断土壤图片中预设尺寸等级的土块数量是否大于预设阈值，如果是，则确定与所述目标土壤区域对应的土壤翻耕状态不合格，如果否，则确定与所述目标土壤区域对应的土壤翻耕状态合格。
本发明实施例所提供的土壤翻耕状态的检测装置可执行本发明任意实施例所提供的土壤翻耕状态的检测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算设备的结构示意图，如图4所示，该计算设备包括处理器410、存储器420、输入装置430和输出装置440；计算设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；计算设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种土壤翻耕状态的检测方法对应的程序指令/模块(例如，一种土壤翻耕状态的检测装置中的土壤图片获取模块310、土块识别模块320和土壤翻耕状态确定模块330)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行计算设备的各种功能应用以及数据处理，即实现上述的一种土壤翻耕状态的检测方法。也即，该程序被处理器执行时实现：
获取目标土壤区域内的至少一张土壤图片；
识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸；
根据所述土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与计算设备的用户设置以及功能控制有关的键信号输入，可以包括键盘和鼠标等。输出装置440可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述方法。当然，本发明实施例所提供的一种计算机可读存储介质，其可以执行本发明任意实施例提供的一种土壤翻耕状态的检测方法中的相关操作。也即，该程序被处理器执行时实现：
获取目标土壤区域内的至少一张土壤图片；
识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸；
根据所述土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述一种土壤翻耕状态的检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种土壤翻耕状态的检测方法，其特征在于，包括：
获取目标土壤区域内的至少一张土壤图片；
识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸；
根据所述土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态。
2.根据权利要求1所述的方法，其特征在于，识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸，包括：
将所述土壤图片输入至预先训练的土块识别模型中，并获取所述土块识别模型中输出的所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸。
3.根据权利要求2所述的方法，其特征在于，在获取目标土壤区域内的至少一张土壤图片之前，还包括：
获取翻耕后的多张土壤样本图片，其中，所述土壤样本图片中预先标注有至少一个土块的位置标注坐标以及土块尺寸等级；
将所述多张土壤样本图片划分为训练数据集和测试数据集；
使用所述训练数据集和测试数据集对神经网络模型进行迭代训练，得到所述土块识别模型。
4.根据权利要求3所述的方法，其特征在于，在使用所述训练数据集和测试数据集对神经网络模型进行迭代训练之前，还包括：
加载COCO数据集中与土壤图片匹配的预权重，对所述神经网络模型进行预设置。
5.根据权利要求3所述的方法，其特征在于，使用所述训练数据集和测试数据集对神经网络模型进行迭代训练，得到所述土块识别模型，包括：
将所述训练数据集划分为多个训练数据分组，并依次获取一个所述训练数据分组；
将所述训练数据分组中的各土壤样本图片分别输入至所述神经网络模型中，对所述神经网络模型进行训练；
其中，所述神经网络模型根据模型输出结果中的土块识别位置坐标，与输入的土壤样本图片中的位置标注坐标之间的距离损失函数，利用随机梯度下降法调整所述神经网络模型的参数；
将所述测试数据集中的各土壤样本图片分别输入至训练后的所述神经网络模型，并计算识别准确率；
如果所述计算识别准确率不满足预设的准确率要求，则返回执行依次获取一个所述训练数据分组的操作，直至训练后的神经网络模型满足准确率要求。
6.根据权利要求3所述的方法，其特征在于，所述神经网络模型为基于MobileNet模型以及YOLOV3算法构建的卷积神经网络模型。
7.根据权利要求1所述的方法，其特征在于，根据所述土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态，包括：
判断所述土壤图片中至少一个预设尺寸等级的土块数量是否大于预设阈值；
如果是，则确定与所述目标土壤区域对应的土壤翻耕状态不合格；
如果否，则确定与所述目标土壤区域对应的土壤翻耕状态合格。
8.根据权利要求2所述的方法，其特征在于，所述方法由移动视觉设备执行，且所述移动视觉设备中预先部署所述土块识别模型；
获取目标土壤区域内的至少一张土壤图片，包括：
获取所述移动视觉设备采集的目标土壤区域内的土壤视频，并获取所述土壤视频的至少一个视频帧，作为所述土壤图片。
9.一种土壤翻耕状态的检测装置，其特征在于，包括：
土壤图片获取模块，用于获取目标土壤区域内的至少一张土壤图片；
土块识别模块，用于识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸；
土壤翻耕状态确定模块，用于根据所述土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态。
10.一种计算设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的土壤翻耕状态的检测方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的土壤翻耕状态的检测方法。
CN202010538117.0A 2020-06-12 2020-06-12 一种土壤翻耕状态的检测方法、装置、设备及存储介质 Pending CN113807136A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010538117.0A CN113807136A (zh) 2020-06-12 2020-06-12 一种土壤翻耕状态的检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010538117.0A CN113807136A (zh) 2020-06-12 2020-06-12 一种土壤翻耕状态的检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113807136A true CN113807136A (zh) 2021-12-17

Family

ID=78944087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010538117.0A Pending CN113807136A (zh) 2020-06-12 2020-06-12 一种土壤翻耕状态的检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113807136A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108289407A (zh) * 2015-09-18 2018-07-17 精密种植有限责任公司 用于在耕作操作期间监测土壤条件的装置、系统和方法以及耕作工具的控制
US20200005474A1 (en) * 2018-06-27 2020-01-02 Cnh Industrial Canada, Ltd. Detecting and measuring the size of clods and other soil features from imagery

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108289407A (zh) * 2015-09-18 2018-07-17 精密种植有限责任公司 用于在耕作操作期间监测土壤条件的装置、系统和方法以及耕作工具的控制
US20200005474A1 (en) * 2018-06-27 2020-01-02 Cnh Industrial Canada, Ltd. Detecting and measuring the size of clods and other soil features from imagery

Similar Documents

Publication Publication Date Title
Peeters et al. Getis–Ord’s hot-and cold-spot statistics as a basis for multivariate spatial clustering of orchard tree data
CN111553240B (zh) 一种玉米病害病情分级方法、系统和计算机设备
Castillejo-González et al. Evaluation of pixel-and object-based approaches for mapping wild oat (Avena sterilis) weed patches in wheat fields using QuickBird imagery for site-specific management
Liang et al. StomataScorer: a portable and high‐throughput leaf stomata trait scorer combined with deep learning and an improved CV model
CN114419367B (zh) 一种农作物高精度制图方法及系统
Ramesh et al. Comparison and analysis of rice blast disease identification in greenhouse controlled environment and field environment using ML algorithms
CN114202691B (zh) 基于遥感图像的水稻识别方法、装置以及设备
Cui et al. Weed identification in soybean seedling stage based on UAV images and Faster R-CNN
CN113408374B (zh) 基于人工智能的产量预估方法、装置、设备及存储介质
CN114612896B (zh) 基于遥感图像的水稻产量预测方法、装置以及设备
CN118262149A (zh) 一种基于深度学习的农作物病虫害图像识别方法与系统
Li et al. An effective farmer-centred mobile intelligence solution using lightweight deep learning for integrated wheat pest management
Che et al. The effect of growth stage and plant counting accuracy of maize inbred lines on LAI and biomass prediction
CN119624395A (zh) 一种基于深度学习的农田全流程管理方法与系统
CN113222017A (zh) 探地雷达数据生成方法、控制装置、系统及存储介质
CN115690590B (zh) 作物生长异常监测方法、装置、设备及存储介质
Sodhi et al. Robust plant phenotyping via model-based optimization
Sun et al. Counting wheat heads using a simulation model
Li et al. Disease recognition of maize leaf based on KNN and feature extraction
Masykur et al. Approach and analysis of yolov4 algorithm for rice diseases detection at different drone image acquisition distances
CN119169473B (zh) 基于时序光学遥感影像的农田土壤裸露监测方法及系统
CN113807136A (zh) 一种土壤翻耕状态的检测方法、装置、设备及存储介质
CN119377427B (zh) 基于数字孪生的gis数据可视化管理方法及系统
CN115700805A (zh) 植物高度检测方法、装置、设备及存储介质
CN109472771A (zh) 玉米雄穗的检测方法、装置及检测设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination